使用Pytorch如何完成多分类问题

Pytorch如何完成多分类

多分类问题在最后的输出层采用的Softmax Layer，其具有两个特点：1.每个输出的值都是在(0,1)；2.所有值加起来和为1.

假设是最后线性层的输出，则对应的Softmax function为：

输出经过sigmoid运算即可是西安输出的分类概率都大于0且总和为1。

上图的交叉熵损失就包含了softmax计算和右边的标签输入计算（即框起来的部分）

所以在使用交叉熵损失的时候，神经网络的最后一层是不要做激活的，因为把它做成分布的激活是包含在交叉熵损失里面的，最后一层不要做非线性变换，直接交给交叉熵损失。

如上图，做交叉熵损失时要求y是一个长整型的张量，构造时直接用

criterion = torch.nn.CrossEntropyLoss()

3个类别，分别是2,0,1

Y_pred1 ,Y_pred2还是线性输出，没经过softmax,还不是概率分布，比如Y_pred1，0.9最大，表示对应为第3个的概率最大，和2吻合，1.1最大，表示对应为第1个的概率最大，和0吻合，2.1最大，表示对应为第2个的概率最大，和1吻合，那么Y_pred1 的损失会比较小

对于Y_pred2，0.8最大，表示对应为第1个的概率最大，和0不吻合，0.5最大，表示对应为第3个的概率最大，和2不吻合，0.5最大，表示对应为第3个的概率最大，和2不吻合，那么Y_pred2 的损失会比较大

Exercise 9-1: CrossEntropyLoss vs NLLLoss

What are the differences?

• Reading the document:

• https://pytorch.org/docs/stable/nn.html#crossentropyloss

• https://pytorch.org/docs/stable/nn.html#nllloss

• Try to know why:

&bull; CrossEntropyLoss <==> LogSoftmax + NLLLoss

为什么要用transform

transform = transforms.Compose([ transforms.ToTensor(), transforms.Normalize((0.1307, ), (0.3081, )) ])

PyTorch读图像用的是python的imageLibrary,就是PIL，现在用的都是pillow，pillow读进来的图像用神经网络处理的时候，神经网络有一个特点就是希望输入的数值比较小，最好是在-1到+1之间，最好是输入遵从正态分布，这样的输入对神经网络训练是最有帮助的

原始图像是28*28的像素值在0到255之间，我们把它转变成图像张量，像素值是0到1

在视觉里面，灰度图就是一个矩阵，但实际上并不是一个矩阵，我们把它叫做单通道图像，彩 * 像是3通道，通道有宽度和高度，一般我们读进来的图像张量是WHC(宽高通道)

在PyTorch里面我们需要转化成CWH,把通道放在前面是为了在PyTorch里面进行更高效的图像处理，卷积运算。所以拿到图像之后，我们就把它先转化成pytorch里面的一个Tensor，把0到255的值变成0到1的浮点数，然后把维度由2828变成128*28的张量，由单通道变成多通道，

这个过程可以用transforms的ToTensor这个函数实现

归一化

transforms.Normalize((0.1307, ), (0.3081, ))

这里的0.1307,0.3081是对Mnist数据集所有的像素求均值方差得到的

也就是说，将来拿到了图像，先变成张量，然后Normalize，切换到0,1分布，然后供神经网络训练

如上图，定义好transform变换之后，直接把它放到数据集里面，为什么要放在数据集里面呢，是为了在读取第i个数据的时候，直接用transform处理

模型

输入是一组图像，激活层改用Relu

全连接神经网络要求输入是一个矩阵

所以需要把输入的张量变成一阶的，这里的N表示有N个图片

view函数可以改变张量的形状，-1表示将来自动去算它的值是多少，比如输入是n128*28

将来会自动把n算出来，输入了张量就知道形状，就知道有多少个数值

最后输出是（N,10）因为是有0-9这10个标签嘛，10表示该图像属于某一个标签的概率，现在还是线性值，我们再用softmax把它变成概率

 #沿着第一个维度找最大值的下标，返回值有两个，因为是10列嘛，返回值一个是每一行的最大值，另一个是最大值的下标（每一个样本就是一行，每一行有10个量）（行是第0个维度，列是第1个维度）

MNIST数据集训练代码

import torch
from torchvision import transforms
from torchvision import datasets
from torch.utils.data import DataLoader
import torch.nn.functional as F
import torch.optim as optim

# prepare dataset

batch_size = 64

transform = transforms.Compose([
   transforms.ToTensor(), #先将图像变换成一个张量tensor。
   transforms.Normalize((0.1307,), (0.3081,))
   #其中的0.1307是MNIST数据集的均值，0.3081是MNIST数据集的标准差。
])  # 归一化,均值和方差

train_dataset = datasets.MNIST(root='../dataset/mnist/', train=True,
                              download=True, transform=transform)
train_loader = DataLoader(train_dataset, shuffle=True, batch_size=batch_size)

test_dataset = datasets.MNIST(root='../dataset/mnist/', train=False,
                              download=True, transform=transform)
test_loader = DataLoader(test_dataset, shuffle=False, batch_size=batch_size)

# design model using class
class Net(torch.nn.Module):
   def __init__(self):
       super(Net, self).__init__()
       self.l1 = torch.nn.Linear(784, 512)
       self.l2 = torch.nn.Linear(512, 256)
       self.l3 = torch.nn.Linear(256, 128)
       self.l4 = torch.nn.Linear(128, 64)
       self.l5 = torch.nn.Linear(64, 10)

def forward(self, x):
       # 28 * 28 = 784
       # 784 = 28 * 28,即将N *1*28*28转化成 N *1*784
       x = x.view(-1, 784)  # -1其实就是自动获取mini_batch
       x = F.relu(self.l1(x))
       x = F.relu(self.l2(x))
       x = F.relu(self.l3(x))
       x = F.relu(self.l4(x))
       return self.l5(x)  # 最后一层不做激活，不进行非线性变换

model = Net()

#CrossEntropyLoss <==> LogSoftmax + NLLLoss。
#也就是说使用CrossEntropyLoss最后一层(线性层)是不需要做其他变化的；
#使用NLLLoss之前，需要对最后一层(线性层)先进行SoftMax处理，再进行log操作。

# construct loss and optimizer
criterion = torch.nn.CrossEntropyLoss()
#momentum 是带有优化的一个训练过程参数
optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.5)

# training cycle forward, backward, update

def train(epoch):
   running_loss = 0.0
   #enumerate()函数用于将一个可遍历的数据对象(如列表、元组或字符串)组合为一个索引序列，
   #同时列出数据和数据下标，一般用在 for 循环当中。
   #enumerate(sequence, [start=0])
   for batch_idx, data in enumerate(train_loader, 0):
       # 获得一个批次的数据和标签
       inputs, target = data
       optimizer.zero_grad()

#forward + backward + update
       # 获得模型预测结果(64, 10)
       outputs = model(inputs)
       # 交叉熵代价函数outputs(64,10),target（64）
       loss = criterion(outputs, target)
       loss.backward()
       optimizer.step()

running_loss += loss.item()
       if batch_idx ％ 300 == 299:
           print('[％d, ％5d] loss: ％.3f' ％ (epoch + 1, batch_idx + 1, running_loss / 300))
           running_loss = 0.0

def test():
   correct = 0
   total = 0
   with torch.no_grad():#不需要计算梯度。
       for data in test_loader:
           images, labels = data
           outputs = model(images)
           #orch.max的返回值有两个，第一个是每一行的最大值是多少，第二个是每一行最大值的下标(索引)是多少。
           _, predicted = torch.max(outputs.data, dim=1)  # dim = 1 列是第0个维度，行是第1个维度
           total += labels.size(0)
           correct += (predicted == labels).sum().item()  # 张量之间的比较运算
   print('accuracy on test set: ％d ％％ ' ％ (100 * correct / total))

if __name__ == '__main__':
   for epoch in range(10):
       train(epoch)
       test()

来源：https://blog.csdn.net/qq_39237205/article/details/121181165